Zusammenfassung
Der vorliegende Beitrag hat sich zum Ziel gesetzt, den aktuellen Hype um „Big Data“ und verhaltensbezogene Daten kritisch zu hinterfragen – insbesondere hinsichtlich der Eignung für langfristige Markt- und Kundensegmentierungen. Dabei soll keinesfalls die Bedeutung dieser neuen Datenquellen geringgeschätzt werden; auch sind Verhaltensdaten für so manche kurzfristige, handlungsorientierte Kundensegmentierung durchaus wertvoll. Für eine langfristige, strategische Segmentierung reichen sie jedoch nicht aus. Dazu ist eine mehrdimensionale, integrierte Kundensegmentierung von Vorteil, die neben Eigenschaften und Verhalten auch Einstellungen und Lebenswelten der Kunden berücksichtigt. Um die hinter dem Kundenverhalten liegenden Motive und Ursachen zu berücksichtigen, liefern die Sinus-Milieus eine wertvolle Basis.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Literaturverzeichnis
Adsquare. 2017. Microm And adsquare In Strategic Partnership To Enable Sinus-Milieus® Use For Mobile Marketing. http://www.adsquare.com/microm-and-adsquare-in-strategic-partnership-to-enable-sinus-milieus-use-for-mobile-marketing/; Zugegriffen: 30. März 2017.
Ajzen, I. 1991. The theory of planned behavior. Organizational Behavior and Human Decision Processes 50: 179 – 211.
Backhaus, K. und M. Voeth. 2011. Industriegütermarketing. München: Vahlen.
Bensberg, F. 2002. CRM und Data Mining. In Customer Relationship Management im Handel – Strategien, Konzepte, Erfahrungen. Hrsg. D. Ahlert, J. Becker, R. Knackstedt und M. Wunderlich, 201 – 226. Berlin: Springer.
Bogner, K. und U. Landrock. 2015. Antworttendenzen in standardisierten Umfragen. Mannheim, GESIS – Leibniz Institut für Sozialwissenschaften (SDM Survey Guidelines).
Buhl, H. U., Röglinger, M., Moser, F. und J. Heidemann. 2013. Big Data. Ein (ir-)relevanter Modebegriff für Wissenschaft und Praxis? Wirtschaftsinformatik 55: 63 – 68.
Diekmann, A. 1995. Empirische Sozialforschung. Grundlagen – Methoden – Anwendungen. Hamburg: Rowohlt.
Dorschel, Joachim, Hrsg. 2015. Praxishandbuch Big Data. Wirtschaft – Recht – Technik. Wiesbaden: Springer Gabler.
Glöckner, A., Balderjahn, I. und Peyer, M. 2010. Die LOHAS im Kontext der Sinus-Milieus. Marketing Review St. Gallen 27: 36 – 41.
Foscht, Thomas, und B. Swoboda. 2011. Käuferverhalten. Grundlagen – Perspektiven – Anwendungen. Wiesbaden: Gabler.
Freter, Hermann. 2008. Markt- und Kundensegmentierung: kundenorientierte Markterfassung und -bearbeitung. Stuttgart: Kohlhammer.
Helmke, S., Scherberich, J. U. und Uebel, M. 2016. LOHAS-Marketing. Strategie – Instrumente – Praxisbeispiele. Wiesbaden: Springer.
Kopp, Gisela. 2014. Behavioral Targeting: Identifizierung verhaltensorientierter Zielgruppen im Rahmen der Online-Werbung. Hamburg: disserta Verlag.
Kotler, P. und K. L. Keller. 2015. Marketing-Management. Global Edition. Upper Saddle River (NJ): Prentice-Hall.
Kuss, A., Wildner, R. und Kreis, H. 2014: Marktforschung: Grundlagen der Datenerhebung und Datenanalyse, 5. Auflage. Wiesbaden: Gabler.
Lemke, M. und G. Wiedemann, Hrsg. 2016. Text Mining in den Sozialwissenschaften. Grundlagen und Anwendungen zwischen qualitativer und quantitativer Diskursanalyse. Wiesbaden: Springer.
Liehr, T. 2001. „Data Matching“ bei Finanzdienstleistungen: Steigerung des Share of Wallet bei Top-Kunden. In Handbuch Data Mining im Marketing. Knowledge Discovery in Marketing Databases, Hrsg. H. Hippner, U. Küsters, M. Meyer und K. Wilde, 725 – 740. Braunschweig: Vieweg.
Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., und C. Roxburgh. 2011. Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute. http://www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_innovation; Zugegriffen: 20. März 2017.
McAfee, A. und E. Brynjolfsson. 2012. Big Data: The Management Revolution. Harvard Business Review 90: 3 – 9.
McDonnell Feit, E., Wang, P., Bradlow, E. T. und Fader, P. S. 2013. Fusing Aggregate and Disaggregate Data with an Application to Multiplatform Media Consumption. Journal of Marketing Research 50: 348 – 364.
Medelnik, N. G. 2012. Wert- und bedürfnisorientierte Segmentierung von Konsumgütermärkten. Wiesbaden: Gabler.
Meffert, H., Burmann, C., und M. Kirchgeorg. 2015. Marketing – Grundlagen marktorientierter Unternehmensführung Konzepte – Instrumente – Praxisbeispiele. Wiesbaden: Gabler.
Meola, A. 2016. Two surprising companies lead the pack in user data privacy and transparency. http://www.businessinsider.com/uber-leads-in-user-privacy-and-datatransparency-2016-5. Zugegriffen: 05. Mai 2017.
Müller-Jung, J. 2014. Schmutzige Daten. http://www.faz.net/aktuell/wissen/medizinernaehrung/grippe-prognosen-mit-google-schmutzige-daten-12851452.html; Zugegriffen: 30. März 2017.
O’Neil, C. 2016. Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. New York: Crown.
Statista. 2017. Prognose zum Volumen der jährlich generierten digitalen Datenmenge weltweit in den Jahren 2005 bis 2020 (in Exabyte). https://de.statista.com/statistik/daten/studie/267974/umfrage/prognose-zum-weltweit-generierten-datenvolumen/. Zugegriffen: 27. März 2017.
The CMO Survey. 2016. CMO Survey Report: Highlights and Insights. https://cmosurvey.org/wp-content/uploads/sites/11/2016/02/The_CMO_Survey-Highlights_and_Insights-Feb-2016.pdf; Zugegriffen: 1. April 2017.
Tomczak, T. und M. Cristofolini. 2002. Customer Intelligence – oder: Wie lerne ich meine Kunden besser kennen? persönlich – Die Zeitschrift für Marketing und Unternehmensführung 11: 74 – 75.
Trusov, M., Ma, L. und Z. Jamal. 2016. Crumbs of the Cookie: User Profiling in Customer- Base Analysis and Behavioral Targeting. Marketing Science 35: 405 – 426.
Tucker, C. 2014. Social Networks, Personalized Advertising and Privacy Controls. Journal of Marketing Research October 2014: 546 – 562.
van Hattum, P. und H. Hoijtink. 2008. The proof of the pudding is in the eating. Data fusion: An application in marketing. Journal of Database Marketing & Customer Strategy Management 15: 267 – 284.
van Hattum, P. und H. Hoijtink. 2009. Improving your sales with data fusion. Journal of Database Marketing & Customer Strategy Management 16: 7 – 14.
Weber, C. 2014. Google versagt bei Grippe-Vorhersagen. http://www.sueddeutsche.de/wissen/big-data-google-versagt-bei-grippe-vorhersagen-1.1912226; Zugegriffen: 28. März 2017.
Wedel, M. und P. K. Kannan. 2016. Marketing Analytics for Data-Rich Environments. Journal of Marketing 80: 97 – 121.
Wimmer, F. und J. Göb. 2006. Customer Intelligence: Marktforschung und Kundenanalyse als Informationsgrundlage im CRM. In Grundlagen des CRM. Konzepte und Gestaltung, Hrsg. H. Hippner und K. D. Wilde, 399 – 418. Wiesbaden: Gabler.
Wortmann, C., Fischer, P. M und S. Reinecke. 2016. Too much of a good thing? How Big Data changes managerial decision making in marketing. EMAC 2016 Proceedings. Oslo: European Marketing Academy.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2018 Springer Fachmedien Wiesbaden GmbH
About this chapter
Cite this chapter
Reinecke, V.S., Wortmann, C. (2018). Google Knows it Better?. In: Barth, B., Flaig, B., Schäuble, N., Tautscher , M. (eds) Praxis der Sinus-Milieus®. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-19335-5_14
Download citation
DOI: https://doi.org/10.1007/978-3-658-19335-5_14
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-19334-8
Online ISBN: 978-3-658-19335-5
eBook Packages: Social Science and Law (German Language)